Fugu-MT 論文翻訳(概要): WiFi-based Multi-task Sensing

論文の概要: WiFi-based Multi-task Sensing

arxiv url: http://arxiv.org/abs/2111.14619v1
Date: Fri, 26 Nov 2021 09:37:29 GMT
ステータス: 処理完了
システム内更新日: 2021-11-30 18:14:17.915344
Title: WiFi-based Multi-task Sensing
Title（参考訳）: WiFiによるマルチタスクセンシング
Authors: Xie Zhang, Chengpei Tang, Yasong An, Kang Yin
Abstract要約: WiFiを用いたマルチタスクセンシングモデル(Wimuse)を提案する。 Wimuseは、ジェスチャー認識、屋内ローカライゼーション、ユーザ識別のジョイントタスクにおいて、平均精度85.20%、98.39%、98.725%で最先端のパフォーマンスを達成する。
参考スコア（独自算出の注目度）: 0.5735035463793007
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: WiFi-based sensing has aroused immense attention over recent years. The rationale is that the signal fluctuations caused by humans carry the information of human behavior which can be extracted from the channel state information of WiFi. Still, the prior studies mainly focus on single-task sensing (STS), e.g., gesture recognition, indoor localization, user identification. Since the fluctuations caused by gestures are highly coupling with body features and the user's location, we propose a WiFi-based multi-task sensing model (Wimuse) to perform gesture recognition, indoor localization, and user identification tasks simultaneously. However, these tasks have different difficulty levels (i.e., imbalance issue) and need task-specific information (i.e., discrepancy issue). To address these issues, the knowledge distillation technique and task-specific residual adaptor are adopted in Wimuse. We first train the STS model for each task. Then, for solving the imbalance issue, the extracted common feature in Wimuse is encouraged to get close to the counterpart features of the STS models. Further, for each task, a task-specific residual adaptor is applied to extract the task-specific compensation feature which is fused with the common feature to address the discrepancy issue. We conduct comprehensive experiments on three public datasets and evaluation suggests that Wimuse achieves state-of-the-art performance with the average accuracy of 85.20%, 98.39%, and 98.725% on the joint task of gesture recognition, indoor localization, and user identification, respectively.
Abstract（参考訳）: 近年、WiFiによるセンシングが大きな注目を集めている。その根拠は、人間が引き起こす信号のゆらぎは、wi-fiのチャネル状態情報から抽出できる人間の行動の情報を担っていることである。それでもこれまでの研究は主に、ジェスチャー認識、屋内ローカライゼーション、ユーザ識別など、シングルタスクセンシング(sts)に重点を置いている。ジェスチャーによるゆらぎは身体の特徴やユーザの位置と強く結びついているので,身振り認識,屋内位置認識,ユーザ識別タスクを同時に行うWiFiベースのマルチタスクセンシングモデル(Wimuse)を提案する。しかし、これらのタスクは異なる難易度(すなわち不均衡問題)を持ち、タスク固有の情報(すなわち不一致問題)を必要とする。これらの課題に対処するため,Wimuseでは知識蒸留技術とタスク特異的残留アダプタが採用されている。まず、タスク毎にSTSモデルをトレーニングします。そして、不均衡問題を解決するために、Wimuseの抽出された共通機能はSTSモデルの対応する特徴に近づくことを奨励する。さらに、各タスクに対して、タスク固有残差適応器を適用して、共通特徴と融合したタスク固有補償特徴を抽出し、不一致問題に対処する。 3つの公開データセットを包括的に実験した結果,wimuseは85.20%,98.39%,98.725%の精度で,ジェスチャ認識,屋内ローカライズ,ユーザ識別の作業において,最先端のパフォーマンスを実現していることが示唆された。

関連論文リスト

FedOpenHAR: Federated Multi-Task Transfer Learning for Sensor-Based Human Activity Recognition [0.0]
本稿では,センサを用いた人間行動認識とデバイス位置識別の両課題に対して,フェデレート・トランスファー・ラーニングをマルチタスク方式で検討する。 OpenHARフレームワークは10個の小さなデータセットを含むモデルをトレーニングするために使用される。タスク固有でパーソナライズされたフェデレーションモデルを用いたトランスファーラーニングとトレーニングにより、各クライアントを個別に訓練し、完全集中型アプローチよりも高い精度で学習した。
論文参考訳（メタデータ） (2023-11-13T21:31:07Z)
MTLSegFormer: Multi-task Learning with Transformers for Semantic Segmentation in Precision Agriculture [16.817025300716796]
マルチタスク学習とアテンション機構を組み合わせたセマンティックセグメンテーション手法MTLSegFormerを提案する。相関したタスクで2つの困難な問題で性能を検証し、精度を大幅に改善した。
論文参考訳（メタデータ） (2023-05-04T13:19:43Z)
Leveraging sparse and shared feature activations for disentangled representation learning [112.22699167017471]
本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
論文参考訳（メタデータ） (2023-04-17T01:33:24Z)
Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
論文参考訳（メタデータ） (2022-10-27T16:06:47Z)
Continual Object Detection via Prototypical Task Correlation Guided Gating Mechanism [120.1998866178014]
pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。 COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
論文参考訳（メタデータ） (2022-05-06T07:31:28Z)
Continual Learning for Multivariate Time Series Tasks with Variable Input Dimensions [20.788813485815698]
このような環境で生じる2つの未調査の実践的課題に焦点をあてる。タスクレベルで観測されると、タスクからデータを保存または再アクセスすることは許されません。本稿では,標準的なリカレントニューラルネットワークを支援するために,グラフニューラルネットワークに基づく新しいコンディショニングモジュールを提案する。
論文参考訳（メタデータ） (2022-03-14T04:41:02Z)
Distribution Matching for Heterogeneous Multi-Task Learning: a Large-scale Face Study [75.42182503265056]
マルチタスク学習は、共有学習アルゴリズムによって複数のタスクを共同で学習する方法論として登場した。我々は異種mtlに対処し,検出,分類,回帰問題を同時に解決する。大規模な顔分析のための最初のフレームワークであるFaceBehaviorNetを構築し、すべての顔行動タスクを共同で学習する。
論文参考訳（メタデータ） (2021-05-08T22:26:52Z)
Anomaly Detection in Video via Self-Supervised and Multi-Task Learning [113.81927544121625]
ビデオにおける異常検出は、コンピュータビジョンの問題である。本稿では,オブジェクトレベルでの自己教師型およびマルチタスク学習を通じて,ビデオ中の異常事象検出にアプローチする。
論文参考訳（メタデータ） (2020-11-15T10:21:28Z)
FairMOT: On the Fairness of Detection and Re-Identification in Multiple Object Tracking [92.48078680697311]
マルチオブジェクトトラッキング(MOT)はコンピュータビジョンにおいて重要な問題である。本稿では,FairMOTと呼ばれる,アンカーフリーなオブジェクト検出アーキテクチャCenterNetをベースとした,シンプルかつ効果的なアプローチを提案する。このアプローチは、検出と追跡の両方において高い精度を達成する。
論文参考訳（メタデータ） (2020-04-04T08:18:00Z)
FMT:Fusing Multi-task Convolutional Neural Network for Person Search [33.91664470686695]
本稿では,検出と再同定の相関性と不均一性に対処するために,FMT-CNN(Fusing Multi-task Convolutional Neural Network)を提案する。 CUHK-SYSU Person Searchデータセットの実験結果から,提案手法の性能は最先端の手法よりも優れていることが示された。
論文参考訳（メタデータ） (2020-03-01T05:20:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。